Raj Shukla, CTO της SymphonyAI – Συνέντευξη

Raj Shukla οδηγεί το τεχνολογικό οδικό χάρτη και την εκτέλεση της SymphonyAI, ηγώντας την ομάδα μηχανικής που κατασκευάζει την πλατφόρμα Eureka Gen AI. Με σχεδόν 20 χρόνια εμπειρίας σε μηχανική και έρευνα AI/ML, ο Shukla έχει επίσης εκτενή εμπειρία σε entreprise AI SaaS από τους τεχνικούς του ρόλους ηγεσίας στη Microsoft (MSFT ), όπου η επιτυχημένη 14χρονη καριέρα του περιελάμβανε την ηγεσία παγκόσμιων οργανισμών επιστημών και μηχανικής AI σε Azure, Dynamics 365, MSR και τις διαιρέσεις αναζήτησης και διαφήμισης. Ο Raj έχει εκτενή εμπειρία σε AI/ML σε αναζήτηση, διαφήμιση και entreprise AI και έχει κατασκευάσει πολλά επιτυχημένα προϊόντα AI SaaS σε καταναλωτικές και επιχειρηματικές περιοχές.

SymphonyAI είναι μια entreprise-AI εταιρεία που επικεντρώνεται στην κατασκευή βιομηχανικών-ειδικών εφαρμογών AI που παρέχουν άμεση επιχειρηματική αξία. Αντί για γενικές μοντέλα, παρέχει κατακόρυφες λύσεις για λιανικό εμπόριο, καταναλωτικά αγαθά, χρηματοοικονομικές υπηρεσίες, κατασκευή, μέσα ενημέρωσης και τεχνολογία, αντιμετωπίζοντας προκλήσεις όπως προβλέψεις, πρόληψη απάτης, βελτιστοποίηση λειτουργιών και ανάλυση. Τα προϊόντα της είναι ενεργημένα από την πλατφόρμα Eureka AI, η οποία συνδυάζει προβλεπτικές, γενετικές και αγεντικές ικανότητες σε ροές εργασιών που προσαρμόζονται σε κάθε τομέα. Ιδρυθείσα το 2017, η εταιρεία έχει μεγαλώσει σε einen παγκόσμιο ηγέτη σε κατακόρυφη AI, εξυπηρετώντας χιλιάδες επιχειρηματικούς πελάτες με κλιμακωτές, τομεακές λύσεις.

Έχετε εργαστεί στο επίκεντρο της καινοτομίας AI στη Microsoft, Oracle (ORCL ) και τώρα SymphonyAI—τι σας οδήγησε αρχικά στον κόσμο της entreprise AI, και πώς έχει εξελιχθεί η προοπτική σας αυτά τα χρόνια;

Η πορεία μου στην entreprise AI ξεκίνησε με μια βασική πεποίθηση ότι οι εταιρείες πρέπει να εφαρμόσουν AI που λύνει πραγματικά επιχειρηματικά προβλήματα, όχι να δημιουργήσουν AI για το sake του AI. Έχω δει ότι γενικές, ευρείες λύσεις AI σπάνια παρέχουν μετασχηματιστική αξία. Στη SymphonyAI, έχουμε κατασκευάσει την εταιρική μας στρατηγική και πολιτισμό στην ανάπτυξη AI που καταλαβαίνει συγκεκριμένες βιομηχανικές προκλήσεις, από την ανίχνευση εγκλημάτων σε χρηματοοικονομικές υπηρεσίες έως την εμπόρευση λιανικού εμπορίου και την ενδυνάμωση των βιομηχανικών εργατών. Η entreprise-ετοιμότητα προσθέτει μια άλλη ολόκληρη διάσταση – η επιτυχημένη entreprise AI απαιτεί περισσότερα από εξαιρετική τεχνολογία, απαιτεί επίσης εξαιρετική διακυβέρνηση και αρχιτεκτονική δεδομένων, σοφιστική διατομεακή συνεργασία και ροές εργασιών, και πλήρη διαφάνεια και ελέγχου.

Ποια είναι τα συγκεκριμένα ελαττώματα που αντιμετωπίζουν οι entreprises με γενικές προ-εκπαιδευμένες μοντέλα, ιδιαίτερα σε βαριά ρυθμιζόμενους τομείς όπως οι χρηματοοικονομικές υπηρεσίες ή η υγεία; 

Γενικές προ-εκπαιδευμένες μοντέλα δεν είναι κατασκευασμένα για τα υψηλά-κίνδυνου, βαριά ρυθμιζόμενους περιβάλλοντα των χρηματοοικονομικών υπηρεσιών, υγείας και λιανικού εμπορίου. Γενικές, προ-εκπαιδευμένες μοντέλα αντιμετωπίζουν κρίσιμες барριέρες, συμπεριλαμβανομένης της ανάγκης για απαραίτητη τομεακή εμπειρία για την αντιμετώπιση βιομηχανικών νουανσών και την ικανοποίηση αυστηρών ρυθμιστικών και συμμόρφωσης απαιτήσεων που διαφέρουν σε διαφορετικές γεωγραφικές περιοχές. Οι περισσότερες σημαντικές, δεν μπορούν να παρέχουν την ακρίβεια και την ιχνηλασιμότητα που απαιτούν οι entreprises, όπου τα λάθη θα μπορούσαν να βλάψουν τους καταναλωτές ή να προκαλέσουν ρυθμιστικές παραβάσεις. Όταν πρόκειται για συμμόρφωση με ρυθμίσεις κατά των πλυστικών χρημάτων ή για την ενεργοποίηση ενός λιανικού εμπορίου να αφαιρέσει γρήγορα προϊόντα από την κατανομή και τις ράφες, η τεχνολογία κατακόρυφης AI της SymphonyAI είναι ειδικά κατασκευασμένη για τις βιομηχανίες στις οποίες λειτουργούμε και εκπαιδευμένη σε αυτές τις βιομηχανίες’ οντολογίες, επιτρέποντάς τους να λάβουν ή να αυτοματοποιήσουν αποφάσεις που δημιουργούν άμεση επιχειρηματική επίδραση.

Η συνδυασμός προ-εκπαιδευμένων μοντέλων με βαθιά τομεακή λογική θεωρείται ολοένα και περισσότερο ως κλειδί για την άνοιξη της entreprise ROI—ποια είναι τα απαραίτητα στοιχεία, όπως η γνώση του κλάδου, η συμμόρφωση με KPI και τα ρυθμιστικά φράγματα, που κάνουν αυτήν την προσέγγιση αποτελεσματική; 

Η συνδυασμός προ-εκπαιδευμένων μοντέλων με βαθιά τομεακή λογική ανοίγει αξία με τη δημιουργία συστημάτων AI που καταλαβαίνουν επιχειρηματικό контέκστ και λειτουργικές απαιτήσεις. Αυτή η προσέγγιση επιτυγχάνει όταν τα μοντέλα ενισχύονται με τομεατικές οντολογίες, ευθυγραμμίζονται με entreprise KPI για να διασφαλίσουν ότι οι εξαγωγές εξυπηρετούν άμεσα μετρήσιμους επιχειρηματικούς στόχους και είναι εξοπλισμένα με ρυθμιστικά φράγματα που παρέχουν απαραίτητες πλαισιαρχίες συμμόρφωσης και ελέγχου. Όταν αυτά τα στοιχεία λειτουργούν μαζί, η γενική AI μετατρέπεται σε επιχειρηματικά κρίσιμες λύσεις που οδηγούν μετρήσιμους αποτελέσματα ενώ διατηρούν την αξιοπιστία και τη συμμόρφωση που απαιτούν οι entreprises.

Η IBM πρόσφατα απέκτησε την Seek AI και έλαunched το Watsonx Labs στη Νέα Υόρκη, σηματοδοτώντας μια πιθανή στρατηγική μετατόπιση στο τοπίο AI—τι υποδηλώνει αυτό για το μέλλον των M&A και των επενδυτικών τάσεων στην entreprise AI; 

Η απόκτηση της Seek AI από την IBM και η εκκίνηση του Watsonx Labs είναι επαλήθευση της θεμελιώδους μετατόπισης που abbiamo αναμένουμε: το τοπίο entreprise AI έχει μετατοπιστεί, σηματοδοτώντας ότι η επόμενη κυμαία M&A θα προτεραιοποιήσει εταιρείες με προ-εκπαιδευμένα κατακόρυφα μοντέλα AI που έρχονται με βαθιά τομεακή εμπειρία, διακυβέρνηση και ρυθμιστικά φράγματα. και KPI-κίνητρα. Στρατηγικοί αγοραστές όπως η IBM αναγνωρίζουν ότι τα AI agents που επικεντρώνονται σε entreprise δεδομένα παρέχουν άμεση ROI όταν καταλαβαίνουν συγκεκριμένες βιομηχανικές ροές εργασιών. Η αγορά συνεγκρίνεται γύρω από την αναγνώριση ότι η γενική νοημοσύνη χρειάζεται κατακόρυφη ειδίκευση για να οδηγήσει entreprise μετασχηματισμό.

Σε ποιο σημείο μια θεμελιώδης μοντέλα εξελίσσεται σε einen τομεακό.agent—ποια είναι τα αρχιτεκτονικά ορόσημα που σηματοδοτούν αυτήν την μετάβαση; 

Μια θεμελιώδης μοντέλα δεν εξελίσσεται φυσικά σε einen τομεακό.agent: πρέπει να κατασκευαστεί σε einen. Δεν υπάρχει άμεσος δρόμος όπου ένα γενικό μοντέλο απλά “γίνεται πιο έξυπνο” και γίνεται ένας τραπεζικός ερευνητής. Η μετάβαση συμβαίνει μόνο όταν οι ομάδες μηχανικής σταματήσουν να βασίζονται στην ακατέργαστη νοημοσύνη του μοντέλου και αρχίσουν να κατασκευάζουν την διακυβέρνηση αρχιτεκτονικής γύρω του—ειδικά εγχύοντας ένα контέκστ layer (όπως ένα Γραφικό Γνώσεων) και ένα ορχηστρικό layer για να αναγκάσουν το μοντέλο να ακολουθήσει ένα επιχειρηματικό διαδικασία αντί για τις δικές του πιθανοτικές τάσεις.

Ποια είναι τα βασικά προκλήματα στη κατασκευή αγεντικών ροών εργασιών που είναι και ανθεκτικές και τομεακά-ειδικές, και πώς αντιμετωπίζει η SymphonyAI αυτά τα προβλήματα; 

Τα βασικά προκλήματα στη κατασκευή ανθεκτικών, τομεακά-ειδικών αγεντικών ροών εργασιών είναι η διατήρηση της αξιοπιστίας σε σύνθετες πολλαπλές-βήματα διαδικασίες. Η SymphonyAI αντιμετωπίζει αυτά τα προβλήματα μέσω της πολυεπίπεδης αρχιτεκτονικής της, η οποία ενσωματώνει τομεακή εμπειρία απευθείας στο agent, εφαρμόζει χειρισμό σφαλμάτων με ανάκτηση σφαλμάτων, και διατηρεί διαρκή διαχείριση контέκστου σε πολλαπλά-συνεδρίες entreprise διαδικασίες. Αυτό επιτρέπει στους agents μας να λειτουργούν αξιοπιστώς σε υψηλά-κίνδυνου, ρυθμιζόμενους περιβάλλοντα όπου η ανθεκτικότητα σημαίνει διατήρηση ακρίβειας, συμμόρφωσης και λειτουργικής ακεραιότητας.

Η SymphonyAI τονίζει robust δεδομένα θεμελιώσεις, γράφους γνώσεων και μετα-δεδομένων στρώματα—γιατί είναι αυτές οι ικανότητες κρίσιμες για τομεακά-ειδικούς AI agents, και γιατί πολλές entreprises δυσκολεύονται να τις εφαρμόσουν; 

Robust δεδομένα θεμελιώσεις και γράφους γνώσεων είναι κρίσιμες για τομεακά-ειδικούς AI agents για να έχουν σημαντικές πηγές, να παρέχουν контέκστ-ειδικές συστάσεις, και να παραμείνουν τρέχουσες με αγορά, πελάτη, και διαδικασία αλλαγές σε όλα τα επίπεδα της entreprise. Οι περισσότερες entreprises δυσκολεύονται να εφαρμόσουν αυτές τις ικανότητες γιατί απαιτούν σημαντική αρχική επένδυση σε αρχιτεκτονική δεδομένων, ειδίκευση οντολογίας, και θεμελιώδεις αλλαγές στις υπάρχουσες πρακτικές δεδομένων που πολλές οργανώσεις βρίσκουν οργανωτικά και τεχνικά απειλητικές. Αυτό είναι όπου ένας AI τεχνολογικός συνεργάτης με βαθιά εμπειρία και γνώση σε αυτήν την τομεακή περιοχή είναι ακαταχώρητος, συμπεριλαμβανομένης της ικανότητας να προ-εκπαιδεύσει το AI σε τεράστιες ποσότητες τομεατικών δεδομένων και πηγών σε πραγματικούς πελάτες σε αυτήν την βιομηχανία.

Σε πραγματικές καταστάσεις—όπως η ανίχνευση εγκλημάτων σε χρηματοοικονομικές υπηρεσίες ή η πρόβλεψη λιανικού εμπορίου—πώς η SymphonyAI συνδυάζει προβλεπτική, γενετική και αγεντική AI σε συνολικά “ισχύ”;

Η SymphonyAI συνδυάζει προβλεπτική, γενετική και αγεντική AI σε συνολικά “ισχύ” δημιουργώντας ολοκληρωμένες ροές εργασιών όπου κάθε AI προϊόν αντιμετωπίζει ένα συγκεκριμένο επιχειρηματικό πρόβλημα. Στην ανίχνευση εγκλημάτων σε χρηματοοικονομικές υπηρεσίες, τα προβλεπτικά μοντέλα μας αναγνωρίζουν υποψήφιους μοτίβους συναλλαγών, και η γενετική AI δημιουργεί λεπτομερείς αναφορές έρευνας και αξιολόγησης κινδύνου. Ταυτόχρονα, η αγεντική AI ορχηστρώνει την ολόκληρη ροή εργασιών, αυτοματοποιώντας την ανάβαση περιπτώσεων, συντονίζοντας με ομάδες συμμόρφωσης, και προσαρμοζοντας στρατηγικές έρευνας με βάση πραγματικές ευρήματα.

Το κλειδί είναι ότι αυτά δεν είναι ξεχωριστά AI εργαλεία, είναι ολοκληρωμένες ικανότητες μέσα σε τομεακά-ειδικούς agents που καταλαβαίνουν επιχειρηματικό контέκστ, διατηρούν ροή εργασιών, και μπορούν να μεταβαίνουν ομαλά μεταξύ προβλεπτικής ανάλυσης, περιεχομένου δημιουργίας, και αυτονομίας δράσης για να παρέχουν ολοκληρωμένα επιχειρηματικά αποτελέσματα αντί για θραυσματικά AI εξαγωγές.

Έχετε προειδοποιήσει ότι πολλά entreprise AI agents μπορεί να σαμποτάρουν χωρίς robustness—ποια είναι τα κρίσιμα χαρακτηριστικά ενός καλά-σχεδιασμένου, ασφαλή entreprise AI agent; 

Καλά-σχεδιασμένα, ασφαλή entreprise AI agents απαιτούν πολλά κρίσιμα χαρακτηριστικά. Αν και πολλές entreprises επενδύουν γρήγορα σε και αναπτύσσουν AI agents για να βελτιώσουν την αποτελεσματικότητα, την παραγωγικότητα και την καινοτομία, συχνά υποτιμούν την εργασία που απαιτείται για την επιτυχία. Κάποια απαραίτητα στοιχεία που απαιτούνται για την επιτυχία των agents είναι:

• Οι entreprise AI agents λειτουργούν σε entreprise δεδομένα, τα οποία είναι συχνά θυρίδες και λείπουν της σωστής προγραμματικής πρόσβασης, εξουσιοδότησης και ελέγχου. Οι agents πρέπει να είναι εξοπλισμένοι με τις ίδιες προβλέψεις και εξουσιοδότησης που έχουν οι υπαλληλοί.
• Οι agents επίσης πρέπει να ανακτήσουν από όλα τα είδη entreprise συστημάτων αποτυχίας, δικτύου αποτυχίας, και ασταθών τελικών σημείων. Το ορχηστρικό layer πρέπει να επιτρέπει μακροχρόνιες, ανθεκτικές, ασφαλείς ροές εργασιών, οι οποίες οι περισσότεροι δημοφιλείς LLM ορχηστρές δεν.
• Οι LLM θα είναι μη-детерμινιστικοί και θα αποτύχουν σε εργασίες. Η ανάκτηση αποτυχίας, επαναλήψεις, και η ανακάλυψη του βέλτιστου μονοπατιού πρέπει να είναι κλειδιά χαρακτηριστικά των αγεντικών συστημάτων.

Για CTOs που σκέφτονται να κατασκευάσουν κατακόρυφες AI πλατφόρμες εσωτερικά έναντι συνεργασίας με ειδικούς προμηθευτές, ποια συμβουλή θα προσφέρατε; 

Η κατασκευή entreprise AI λύσεων σε πολλαπλά κλάδους, συμπεριλαμβανομένων λιανικού εμπορίου/CPG, βιομηχανικών, χρηματοοικονομικών υπηρεσιών και περισσότερων, απαιτεί την ταυτόχρονη κατοχή καινοτόμων AI τεχνολογιών και βαθιάς τομεαικής εμπειρίας για να επιτύχει πραγματική αξία από τις entreprise AI λύσεις. Η πλατφόρμα Eureka AI μας δείχνει πώς οι κατακόρυφες πηγές δεδομένων, γράφοι γνώσεων, προβλεπτικά μοντέλα και agents πρέπει να προσαρμοστούν σε κάθε κλάδο, αλλά αυτό αντιπροσωπεύει χρόνια έρευνας επένδυσης και πελάτη-επαναλήψεων που οι περισσότερες εσωτερικές ομάδες λείπουν. Για entreprises και CTOs που θέλουν να επενδύσουν σε AI, σας συμβουλεύω να επιλέξουν λύσεις που παρέχουν πραγματικά αποτελέσματα από την πρώτη ημέρα. Οι κατακόρυφες AI λύσεις παρέχουν αυτά τα αποτελέσματα, παρέχοντας στους χρήστες δεδομένα που μπορούν να χρησιμοποιήσουν για να δημιουργήσουν επιχειρηματική αξία.

Κοιτάζοντας μπροστά, πώς φανταζόμαστε τα entreprise AI αρχιτεκτονικές—θα γίνουν οι ομοσπονδιακές κατακόρυφες agents που κατασκευάζονται σε κοινά θεμελιώδη μοντέλα η νόρμα;

Δεν θα δούμε μόνο “ομοσπονδιακούς” agents: θα δούμε διακυβέρνηση αγεντικών αρχιτεκτονικών. Ενώ τα κοινά θεμελιώδη μοντέλα παρέχουν τον κινητήρα συλλογισμού, είναι ουσιαστικά εμπόρευμα. Η “νόρμα” για τις επιτυχημένες entreprises θα είναι η ανάπτυξη ειδικών, κατακόρυφων agents που δεν μιλάνε μόνο μεταξύ τους, αλλά είναι αυστηρά ορχηστρωμένοι μέσω ενός κοινού контέκστ layer. Αν έχετε μόνο “ομοσπονδιακούς” agents που κατασκευάζονται σε θεμελιώδη μοντέλα, παίρνετε ένα θορυβώδες, hallucination-πρόνοια σύστημα—αυτό που ονομάζουμε το “διαρρηγμένο σωλήνα” της entreprise AI. Για να κάνετε αυτήν την αρχιτεκτονική να κλιμακωθεί στην παραγωγή, χρειάζεστε τρία συγκεκριμένα στρώματα που πηγαίνουν πέρα από την απλή ομοσπονδία:

• Κοντέκστ (Ο Γραφικός Γνώσεων): Οι agents πρέπει να μοιράζονται μια seule πηγή αλήθειας, όχι απλά να ανταλλάσσουν πιθανοότητες.
• Ορχήστρωση: Χρειάζεστε einen “μαスター αρχιτέκτονα” που αποφασίζει πότε να χρησιμοποιήσει einen ειδικό agent και πότε να κρατήσει έναν άνθρωπο στην κυκλοφορία.
• Διακυβέρνηση: Η εξαγωγή πρέπει να είναι νομικά και λειτουργικά ασφαλής πριν αφήσει το σύστημα.

Ευχαριστώ για τη μεγάλη συνέντευξη, οι αναγνώστες που θέλουν να μάθουν περισσότερα πρέπει να επισκεφθούν τη SymphonyAI.